大多数人对本土生成式AI并没有清晰认知
凝阳聊商业
2024-11-03 23:10:07
今天在嘉定图书馆待了一下午，啃了个100页的报告，没有痛苦，全是享受。这篇对于本土生成式AI的思考比较到位，没有太多假大空，总结几个重点：
▪️市场规模：2023-2025 年期间，BBAT 将为生成式AI投入 90 亿美元的GPU资本支出（75 万个A800 的 GPU），占该期间BBAT总资本支出的 25%
▪️行业层面：GPU地缘zz风险很高。市场对本土公司使用国外云平台训练AI模型存在担忧，计算能力是本土的相对瓶颈，在A100和H100受限之后，A800/H800成为替代方案，但在算力和训练效率上有有较大折扣。
▪️公司层面：本土AI玩家的主要风险在于地缘zz和芯片禁运，高度依赖国外的开源模型，更为严格的To-C端应用监管。
▪️监管因素：本土的大语言模型审批流程是逐个模型进行审批的，这将给面向公众的 C 端场景带来很高的进入壁垒，而面向 B 端的场景面临较少的审查。
▪️本土算力：本土掌握的算力大致相当50万块A100芯片，字节掌握了最多AI服务器（约10万张A100），相比BAT更加注重模型服务（MaaS），有意愿成为IaaS提供者（训练/微调/推理等），2025年用于推理的GPU超训练用途。
▪️中美比较：中国在AI服务器或GPU、算法和LLM表现、数据（网络仅2%为中文）、和应用场景上（C端付费意愿等）均在追赶，研发人员成本相比美国更有优势。
▪️应用层机会：To-B应用有更清晰的变现途径，而To-C尚未验证；B端模式包括云服务（服务器算力租用；MaaS或Token数付费；API集成功能付费；而C端尚不清晰，商业化仍在探索中（chatbox广告/商店开发者收入共享/交易分成等）。
▪️模型层机会：进入模型供给过剩或低ROI，通用模型由少数参与者主导，垂直模型有大量的参与者，巨头的优势在流量来源，LLM可整合到超级应用中，拥有大量私有数据的更有优势。
▪️基础设施层机会：BBAT会占据主导，GPU仍是关键所在，训练和推理依赖于少数本土互联网巨头作为具有MaaS能力的云超大规模提供商。
0
阅读：4
Varguard
国内这帮傻叉，缺数据不能ai造吗？看看国外吧！没有创新能力就别玩了